电子整机贮存寿命持续评价方法及装置.pdf

《电子整机贮存寿命持续评价方法及装置.pdf》由会员分享，可在线阅读，更多相关《电子整机贮存寿命持续评价方法及装置.pdf（20页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010298002.9 (22)申请日 2020.04.16 (71)申请人 中国电子产品可靠性与环境试验研 究所 （ （工业和信息化部电子第五研 究所）（中国赛宝实验室） ） 地址 511300 广东省广州市增城区朱村街 朱村大道西78号 (72)发明人 刘小西朱小平杨司邦陆家乐 高鸣哲李劲王春辉时钟 胡湘洪 (74)专利代理机构 广州华进联合专利商标代理 有限公司 44224 代理人 左帮胜 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/。

2、04(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01) (54)发明名称 电子整机贮存寿命持续评价方法及装置 (57)摘要 本申请涉及一种电子整机贮存寿命持续评 价方法及装置。 电子整机贮存寿命评价方法， 通 过建立电子整机贮存寿命的评价模型， 明确了贮 存寿命特征参数的确定方法。 电子整机贮存寿命 评价方法还建立了退化与误差逆传播算法模型， 并选取误差最小的模型作为贮存寿命预测模型。 进一步结合上述确定的电子整机贮存寿命的评 价模型， 得出电子整机的贮存寿命。 电子整机贮 存寿命评价方法， 建立了贮存寿命特征参数与贮 存寿命和可靠度的关系模型，。

3、 为有效评价产品贮 存寿命奠定了重要基础。 权利要求书3页 说明书12页 附图4页 CN 111625990 A 2020.09.04 CN 111625990 A 1.一种电子整机贮存寿命评价方法， 其特征在于， 对电子整机的贮存寿命进行持续性 评价， 所述电子整机贮存寿命评价方法包括： 判断能否获取所述电子整机贮存期间的特征参数， 并根据判断结果确定电子整机贮存 寿命的评价模型； 获取输入数据， 并将所述输入数据按照时间顺序从小到大进行排列； 验证所述输入数据的有效性， 所述输入数据的有效性通过判断在规定时间内是否有退 化趋势进行验证； 若所述输入数据具有退化趋势， 则根据具有退化趋势的所。

4、述输入数据确定退化与误差 逆传播算法模型， 并选取误差最小的模型作为贮存寿命预测模型； 将所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度输入至所述贮存 寿命预测模型， 并结合上述确定的所述电子整机贮存寿命的评价模型， 得出所述电子整机 的贮存寿命。 2.根据权利要求1所述的电子整机贮存寿命评价方法， 其特征在于， 当不能获取电子整 机贮存期间的特征参数时， 所述电子整机贮存寿命的评价模型， 满足以下公式： LCmin(T(R(t)R0),T(C(t)C0) (1) 其中， LC代表所述电子整机贮存寿命； T代表所述电子整机的贮存时间t的函数， R(t)是 所述电子整机贮存到时间t的可。

5、靠度， R0是所述电子整机的贮存可靠度最低可接受值； C(t) 是所述电子整机贮存到时间t为所述电子整机出现故障时的维修费用， C0是所述电子整机 允许的最高维修费用。 3.根据权利要求1所述的电子整机贮存寿命评价方法， 其特征在于， 当能获取电子整机 贮存期间的特征参数时， 所述电子整机贮存寿命的评价模型， 满足以下公式： LCT(R(mint(Mi0)R0) (2) 其中， LC代表所述电子整机贮存寿命； T代表产品的贮存时间t的函数， t(Mi0)代表产品 的第i个贮存寿命特征参数Mi达到其失效阈值Mi0的时间； R0是产品的贮存可靠度最低可接 受值。 4.根据权利要求3所述的电子整机贮。

6、存寿命评价方法， 其特征在于， 所述电子整机贮存 寿命的特征参数的确定步骤包括： 对所述电子整机进行故障模式及影响分析和危害性分析； 确定所述电子整机的严酷度等级， 所述严酷度等级分为 级、 级、 级和级； 将所述电子整机的严酷度等级为级和级的故障模式相关的关键特征参数作为所 述电子整机贮存寿命的特征参数。 5.根据权利要求4所述的电子整机贮存寿命评价方法， 其特征在于， 所述退化与误差逆 传播算法模型， 包括： 根据以下公式(3)-(7)拟合得出模型参数a和模型参数b， 其中公式(3)-(7)分别为五种 确定型数据退化趋势预测模型： pexa*exp(bx) (3) p1a*x+b (4) 。

7、pma*xb (5) plna*log(bx) (6) 权利要求书 1/3 页 2 CN 111625990 A 2 其中， x代表时间， pex、 p1、 pm、 pln和pd分别代表五种确定型数据退化趋势预测模型中所述 电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数所对应的时间参数； 结合上述公式(3)-(7)中得出的所述模型参数a和所述模型参数b， 建立以下的公式 (8)； 其中， 公式(8)为预测随机型数据趋势的误差逆传播神经网络模型； 所述误差逆传播神 经网络模型的输入数据为所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参 数， 所述误差逆传播神经网络模型的输出数据pbp。

8、为时间参数； pbpfeedforwardnet(a,b),trainbr)(1a10， 1b10) (8) 其中， 公式(8)中feedforwardnet为所述误差逆传播神经网络模型的创建函数， (a,b) 代表从具有退化趋势的所述输入数据中选取的误差最小的(a,b)值作为所述误差逆传播神 经网络模型的模型参数； trainbr代表选用贝叶斯算法作为训练函数； 根据所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型中输出的时 间参数， 预测所述电子整机的贮存寿命。 6.根据权利要求5所述的电子整机贮存寿命评价方法， 其特征在于， 所述根据所述确定 型数据退化趋势预测模型和所述误差逆。

9、传播神经网络模型中输出的时间参数， 预测所述电 子整机的贮存寿命的步骤， 包括： 根据以下公式(9)计算所述确定型数据退化趋势预测模型和所述误差逆传播神经网络 模型的预测误差； 其中， lifepre为预测寿命， lifeac为实际寿命； 从中选取误差最小预测模型， 作为贮存寿命预测模型p， 根据所述贮存寿命预测模型p 预测所述电子整机的贮存寿命。 7.根据权利要求6所述的电子整机贮存寿命评价方法， 其特征在于， 当所述输入数据包 括： 时间和所述电子整机贮存寿命的特征参数时， 根据所述电子整机贮存寿命的特征参数 分别得出上述公式(3)至(8)所述的预测模型， 并分别将所述电子整机贮存寿命的特。

10、征参数 的阈值作为各自所述预测模型的输入值， 得出各自所述预测模型的输出值， 从所述预测模 型的输出值中选取最小值作为单个产品的贮存寿命； 计算用于统计的K个所述电子整机的贮存寿命， 根据以下公式(11)计算在不同时间点 t， 所述电子整机的贮存可靠度值R(t)， 绘制贮存时间-可靠度曲线； 其中， K是用于统计的所述电子整机的总数， r(t)是时间t到达寿命极限的所述电子整 机的数量； 根据所述贮存时间-可靠度曲线和满足公式(2)的所述电子整机贮存寿命的评价模型 得到所述电子整机的贮存寿命Lc。 8.根据权利要求7所述的电子整机贮存寿命评价方法， 其特征在于， 还包括： 权利要求书 2/3 。

11、页 3 CN 111625990 A 3 在所述电子整机实际贮存过程中， 不断收集新的模型贮存数据， 并补充到所述输入数 据的序列中， 不断更新得到最佳预测模型， 并给出新的贮存寿命预测值； 将所述最佳预测模型和所述新的贮存寿命预测值输入至所述退化与误差逆传播算法 模型， 实现所述退化与误差逆传播算法模型的修正和对所述电子整机贮存寿命的持续评 价。 9.一种电子整机贮存寿命的持续评价方法， 其特征在于， 包括： 判断能否获取所述电子整机贮存期间的特征参数， 并根据判断结果确定电子整机贮存 寿命的评价模型； 获取输入数据， 并将所述输入数据按照时间顺序从小到大进行排列； 验证所述输入数据的有效性。

12、， 所述输入数据的有效性通过判断在规定时间内是否有退 化趋势进行验证； 若所述输入数据具有退化趋势， 则根据具有退化趋势的所述输入数据确定退化与误差 逆传播算法模型， 并选取误差最小的模型作为贮存寿命预测模型； 将所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度输入至所述贮存 寿命预测模型， 并结合上述确定的所述电子整机贮存寿命的评价模型， 得出所述电子整机 的贮存寿命； 不断收集新的模型贮存数据， 并补充到所述输入数据的序列中， 不断更新得到最佳预 测模型， 并给出新的贮存寿命预测值； 将所述最佳预测模型和所述新的贮存寿命预测值输入至所述退化与误差逆传播算法 模型， 实现所述退化与误。

13、差逆传播算法模型的修正和对所述电子整机贮存寿命的持续评 价。 10.一种电子整机贮存寿命评价装置， 其特征在于， 包括： 特征参数获取装置， 用于获取或者判断能否获取电子整机的贮存寿命的特征参数； 电子整机贮存寿命评价模型确定装置， 与所述特征参数获取装置连接， 用于根据所述 特征参数获取装置的判断结果确定电子整机贮存寿命的评价模型； 输入数据存储装置， 与所述电子整机贮存寿命评价模型确定装置连接， 用于获取输入 数据， 并将所述输入数据按照时间顺序从小到大进行排列； 以及 输入数据有效性验证装置， 与所述输入数据存储装置连接， 用于验证所述输入数据的 有效性， 所述输入数据的有效性通过判断在。

14、规定时间内是否有退化趋势进行验证； 以及 退化与误差逆传播算法模型确定装置， 分别与所述电子整机贮存寿命评价模型确定装 置和所述输入数据有效性验证装置连接， 用于根据具有退化趋势的所述输入数据确定退化 与误差逆传播算法模型， 并选取误差最小的模型作为贮存寿命预测模型； 其中， 所述电子整机贮存寿命评价模型确定装置还用于根据所述贮存寿命预测模型结 合所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度， 得出所述电子整机的 贮存寿命。 权利要求书 3/3 页 4 CN 111625990 A 4 电子整机贮存寿命持续评价方法及装置 技术领域 0001 本申请涉及电子产品系统可靠性技术领域， 。

15、特别是涉及一种电子整机贮存寿命评 价方法及装置。 背景技术 0002 随着中国制造业的快速发展， 高可靠性、 长寿命电子产品的贮存寿命评价技术得 到广泛关注。 了解电子产品寿命底数， 对制定产品维修保障策略、 市场布局和新产品研制计 划等均具有重要意义。 研究发现， 通常产品的维修保障费用占其寿命周期总成本的30至 70。 通过合理研究产品的寿命评价策略， 准确摸清产品寿命底数， 可以合理制定产品保修 期并提前中修、 大修等维修保障措施以降低维修成本和产品使用风险。 同时， 根据产品到寿 情况提前安排延寿策略或新产品研制计划， 降低市场流失风险。 0003 传统的， 产品贮存寿命评价方法通常通。

16、过开展加速试验或综合评估的方式开展， 一次性给出较长的寿命评估值， 忽略了贮存期间环境等各种因素的影响， 评价误差较大。 其 一， 采用加速试验的方法评价产品的贮存寿命。 加速试验的方法是通过提高贮存时的环境 应力水平， 加速电子产品贮存失效， 以通过加速模型在较短的时间内给出较长的寿命评估 值。 但是， 加速试验的方法， 首先均要投入较多的试验样本以得到加速模型参数， 其次需要 投入至少两个样本开展较长时间的加速试验。 此外， 由于试验样本通常很难达到较高的一 致性， 即使建立了加速模型， 通过试验得到的加速因子也会存在一定偏差， 而微小的加速因 子变化即为带来大的产品贮存寿命波动。 因此，。

17、 电子产品贮存寿命加速试验方法很难准确 得到加速模型参数， 而加速因子的微小差异即会带来很大的贮存寿命评估误差。 其二， 基于 电子产品的性能数据退化趋势进行寿命预测。 电子产品的性能数据是其产品状态的直观表 现， 通过直接预测产品性能数据的失效时间作为寿命值符合黑箱理论。 即不管产品贮存期 间的环境、 状态等因素发生了何种变化， 最终都能通过性能数据的变化趋势展现出来。 传统 方法中通过模型优化检验的方法从指数、 威布尔和对数正态模型中选取最优的预测模型。 虽然这些模型对于有确定变化趋势的数据拟合具有一定的效果， 但当数据存在一定随机性 时， 通常预测偏差较大。 发明内容 0004 基于此，。

18、 有必要针对传统的产品贮存寿命评价方法中贮存寿命评估误差较大的问 题， 提供一种电子整机贮存寿命评价方法及装置。 0005 一种电子整机贮存寿命评价方法， 对电子整机的贮存寿命进行持续性评价， 所述 电子整机贮存寿命评价方法包括： 0006 判断能否获取所述电子整机贮存期间的特征参数， 并根据判断结果确定电子整机 贮存寿命的评价模型； 0007 获取输入数据， 并将所述输入数据按照时间顺序从小到大进行排列； 0008 验证所述输入数据的有效性， 所述输入数据的有效性通过判断在规定时间内是否 说明书 1/12 页 5 CN 111625990 A 5 有退化趋势进行验证； 0009 若所述输入数。

19、据具有退化趋势， 则根据具有退化趋势的所述输入数据确定退化与 误差逆传播算法模型， 并选取误差最小的模型作为贮存寿命预测模型； 0010 将所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度输入至所述 贮存寿命预测模型， 并结合上述确定的所述电子整机贮存寿命的评价模型， 得出所述电子 整机的贮存寿命。 0011 在一个实施例中， 当不能获取电子整机贮存期间的特征参数时， 所述电子整机贮 存寿命的评价模型， 满足以下公式： 0012 LCmin(T(R(t)R0),T(C(t)C0) (1) 0013 其中， LC代表所述电子整机贮存寿命； T代表所述电子整机的贮存时间t的函数， R (t。

20、)是所述电子整机贮存到时间t的可靠度， R0是所述电子整机的贮存可靠度最低可接受 值； C(t)是所述电子整机贮存到时间t为所述电子整机出现故障时的维修费用， C0是所述电 子整机允许的最高维修费用。 0014 在一个实施例中， 当能获取电子整机贮存期间的特征参数时， 所述电子整机贮存 寿命的评价模型， 满足以下公式： 0015 LCT(R(mint(Mi0)R0) (2) 0016 其中， LC代表所述电子整机贮存寿命； T代表产品的贮存时间t的函数， t(Mi0)代表 产品的第i个贮存寿命特征参数Mi达到其失效阈值Mi0的时间； R0是产品的贮存可靠度最低 可接受值。 0017 在一个实施。

21、例中， 所述电子整机贮存寿命的特征参数的确定步骤包括： 0018 对所述电子整机进行故障模式及影响分析和危害性分析； 0019 确定所述电子整机的严酷度等级， 所述严酷度等级分为 级、 级、 级和级； 0020 将所述电子整机的严酷度等级为级和级的故障模式相关的关键特征参数作 为所述电子整机贮存寿命的特征参数。 0021 在一个实施例中， 所述退化与误差逆传播算法模型， 包括： 0022 根据以下公式(3)-(7)拟合得出模型参数a和模型参数b， 其中公式(3)-(7)分别为 五种确定型数据退化趋势预测模型： 0023 pexa*exp(bx) (3) 0024 p1a*x+b (4) 002。

22、5 pma*xb (5) 0026 plna*log(bx) (6) 0027 0028 其中， x代表时间， pex、 p1、 pm、 pln和pd分别代表五种确定型数据退化趋势预测模型 中所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数所对应的时间； 0029 结合上述公式(3)-(7)中得出的所述模型参数a和所述模型参数b， 建立以下的公 式(8)； 其中， 公式(8)为预测随机型数据趋势的误差逆传播神经网络模型； 所述误差逆传播 神经网络模型的输入数据为所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征 参数， 所述误差逆传播神经网络模型的输出数据pbp为时间； 说明书 2/。

23、12 页 6 CN 111625990 A 6 0030 pbpfeedforwardnet(a,b),trainbr)(1a10， 1b10) (8) 0031 其中， 公式(8)中feedforwardnet为所述误差逆传播神经网络模型的创建函数， (a,b)代表从具有退化趋势的所述输入数据中选取的误差最小的(a,b)值作为所述误差逆 传播神经网络模型的模型参数； trainbr代表选用贝叶斯算法作为训练函数； 0032 根据所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型中输出 的时间参数， 预测所述电子整机的贮存寿命。 0033 在一个实施例中， 所述根据所述确定型数据退化趋。

24、势预测模型和所述误差逆传播 神经网络模型中输出的时间参数， 预测所述电子整机的贮存寿命的步骤， 包括： 0034 根据以下公式(9)计算所述确定型数据退化趋势预测模型和所述误差逆传播神经 网络模型的预测误差； 0035 0036 其中， lifepre为预测寿命， lifeac为实际寿命。 0037 从中选取误差最小预测模型， 作为贮存寿命预测模型p， 根据所述贮存寿命预测模 型p预测所述电子整机的贮存寿命。 0038 在一个实施例中， 当所述输入数据包括： 时间和所述电子整机贮存寿命的特征参 数时， 根据所述电子整机贮存寿命的特征参数分别得出上述公式(3)至(8)所述的预测模 型， 并分别将。

25、所述电子整机贮存寿命的特征参数的阈值作为各自所述预测模型的输入值， 得出各自所述预测模型的输出值， 从所述预测模型的输出值中选取最小值作为单个产品的 贮存寿命； 0039 计算用于统计的K个所述电子整机的贮存寿命， 根据以下公式(11)计算在不同时 间点t， 所述电子整机的贮存可靠度值R(t)， 绘制贮存时间-可靠度曲线； 0040 0041 其中， K是用于统计的所述电子整机的总数， r(t)是时间t到达寿命极限的所述电 子整机的数量； 0042 根据所述贮存时间-可靠度曲线和满足公式(2)的所述电子整机贮存寿命的评价 模型得到所述电子整机的贮存寿命Lc。 0043 在一个实施例中， 所述电。

26、子整机贮存寿命评价方法， 还包括： 0044 在所述电子整机实际贮存过程中， 不断收集新的模型贮存数据， 并补充到所述输 入数据的序列中， 不断更新得到最佳预测模型， 并给出新的贮存寿命预测值； 0045 将所述最佳预测模型和所述新的贮存寿命预测值输入至所述退化与误差逆传播 算法模型， 实现所述退化与误差逆传播算法模型的修正和对所述电子整机贮存寿命的持续 评价。 0046 本申请还提供一种电子整机贮存寿命的持续评价方法， 包括： 0047 判断能否获取所述电子整机贮存期间的特征参数， 并根据判断结果确定电子整机 贮存寿命的评价模型； 0048 获取输入数据， 并将所述输入数据按照时间顺序从小到。

27、大进行排列； 说明书 3/12 页 7 CN 111625990 A 7 0049 验证所述输入数据的有效性， 所述输入数据的有效性通过判断在规定时间内是否 有退化趋势进行验证； 0050 若所述输入数据具有退化趋势， 则根据具有退化趋势的所述输入数据确定退化与 误差逆传播算法模型， 并选取误差最小的模型作为贮存寿命预测模型； 0051 将所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度输入至所述 贮存寿命预测模型， 并结合上述确定的所述电子整机贮存寿命的评价模型， 得出所述电子 整机的贮存寿命； 0052 不断收集新的模型贮存数据， 并补充到所述输入数据的序列中， 不断更新得到最 佳。

28、预测模型， 并给出新的贮存寿命预测值； 0053 将所述最佳预测模型和所述新的贮存寿命预测值输入至所述退化与误差逆传播 算法模型， 实现所述退化与误差逆传播算法模型的修正和对所述电子整机贮存寿命的持续 评价。 0054 本申请还提供一种电子整机贮存寿命评价装置， 包括： 0055 特征参数获取装置， 用于获取或者判断能否获取电子整机的贮存寿命的特征参 数； 0056 电子整机贮存寿命评价模型确定装置， 与所述特征参数获取装置连接， 用于根据 所述特征参数获取装置的判断结果确定电子整机贮存寿命的评价模型； 0057 输入数据存储装置， 与所述电子整机贮存寿命评价模型确定装置连接， 用于获取 输入。

29、数据， 并将所述输入数据按照时间顺序从小到大进行排列； 以及 0058 输入数据有效性验证装置， 与所述输入数据存储装置连接， 用于验证所述输入数 据的有效性， 所述输入数据的有效性通过判断在规定时间内是否有退化趋势进行验证； 以 及 0059 退化与误差逆传播算法模型确定装置， 分别与所述电子整机贮存寿命评价模型确 定装置和所述输入数据有效性验证装置连接， 用于根据具有退化趋势的所述输入数据确定 退化与误差逆传播算法模型， 并选取误差最小的模型作为贮存寿命预测模型； 0060 其中， 所述电子整机贮存寿命评价模型确定装置还用于根据所述贮存寿命预测模 型结合所述电子整机贮存期间的特征参数或者所。

30、述电子整机贮存可靠度， 得出所述电子整 机的贮存寿命。 0061 本申请中提供一种电子整机贮存寿命评价方法及装置。 所述电子整机贮存寿命评 价方法， 通过建立所述电子整机贮存寿命的评价模型， 明确了贮存寿命特征参数的确定方 法。 电子整机贮存寿命评价方法还建立了退化与误差逆传播算法模型， 并选取误差最小的 模型作为贮存寿命预测模型。 进一步结合上述确定的所述电子整机贮存寿命的评价模型， 得出所述电子整机的贮存寿命。 电子整机贮存寿命评价方法， 建立了贮存寿命特征参数与 贮存寿命和可靠度的关系模型， 为有效评价产品贮存寿命奠定了重要基础。 附图说明 0062 图1为本申请一个实施例中提供的电子整。

31、机贮存寿命评价方法的流程图； 0063 图2为本申请一个实施例中提供的电子整机贮存寿命评价方法的部分流程示意 图； 说明书 4/12 页 8 CN 111625990 A 8 0064 图3为本申请一个实施例中提供的电子整机贮存寿命评价方法的流程图； 0065 图4为本申请一个实施例中提供的退化与误差逆传播算法模型中预测误差示意 图； 0066 图5为本申请一个实施例中提供的退化与误差逆传播算法模型中预测误差示意 图； 0067 图6为本申请一个实施例中提供的电子整机贮存寿命评价装置结构示意图。 0068 附图标号说明： 0069 电子整机贮存寿命评价装置 100 0070 特征参数获取装置 。

32、11 0071 电子整机贮存寿命评价模型确定装置 12 0072 输入数据存储装置 13 0073 输入数据有效性验证装置 14 0074 退化与误差逆传播算法模型确定装置 15 具体实施方式 0075 为使本发明的上述目的、 特征和优点能够更加明显易懂， 下面结合附图对本发明 的具体实施方式做详细的说明。 在下面的描述中阐述了很多具体细节以便于充分理解本发 明。 但是本发明能够以很多不同于在此描述的其它方式来实施， 本领域技术人员可以在不 违背本发明内涵的情况下做类似改进， 因此本发明不受下面公开的具体实施例的限制。 0076 本申请中术语 “第一” 、“第二” 仅用于描述目的， 而不能理解。

33、为指示或暗示相对重 要性或者隐含指明所指示的技术特征的数量。 由此， 限定有 “第一” 、“第二” 的特征可以明示 或者隐含地包括至少一个该特征。 在本发明的描述中，“多个” 的含义是至少两个， 例如两 个， 三个等， 除非另有明确具体的限定。 0077 在本发明中， 除非另有明确的规定和限定， 术语 “安装” 、“相连” 、“连接” 、“固定” 等 术语应做广义理解， 例如， 可以是固定连接， 也可以是可拆卸连接， 或成一体； 可以是机械连 接， 也可以是电连接； 可以是直接相连， 也可以通过中间媒介间接相连， 可以是两个元件内 部的连通或两个元件的相互作用关系， 除非另有明确的限定。 对于。

34、本领域的普通技术人员 而言， 可以根据具体情况理解上述术语在本发明中的具体含义。 0078 贮存寿命作为电子产品的重要技术指标， 对制定产品使用和维修保障策略， 降低 市场投放和安全风险， 规划新产品研制决策等具有重要意义。 本申请提出的一种电子整机 贮存寿命评价方法以及电子整机贮存寿命的持续评价方法， 解决了加速寿命试验方法成本 高、 时间长， 难以持续评价的问题， 同时弥补了现有预测模型不能有效结合确定型和随机型 数据预测的缺陷。 0079 本申请通过开发相应的算法程序， 实现了对电子整机贮存寿命的持续准确评价， 且可大幅节省贮存寿命评价费用， 通过提供准备的寿命评估值， 指导制造商降低产。

35、品的维 修保障费用， 市场前景广阔。 0080 请参阅图1， 本申请提供一种电子整机贮存寿命评价方法， 对电子整机的贮存寿命 进行持续性评价。 所述电子整机贮存寿命评价方法包括： 0081 S100， 判断能否获取所述电子整机贮存期间的特征参数， 并根据判断结果确定电 说明书 5/12 页 9 CN 111625990 A 9 子整机贮存寿命的评价模型。 本步骤中， 需要根据实际电子整机的测试对象， 获取所述电子 整机贮存期间的特征参数。 所述电子整机贮存期间的特征参数可以从实际的电子整机的关 键特征参数中选取。 比如， 所述电子整机贮存期间的特征参数可以包括功率、 内存、 开路电 压、 短路。

36、电流、 串联电阻、 并联电阻、 填充因子、 最大功率、 最大功率点电压、 最大功率点电 流、 反向电流、 反向电压或者转换效率等。 0082 S200， 获取输入数据， 并将所述输入数据按照时间顺序从小到大进行排列。 具体在 本步骤中， 所述输入数据的格式可以分为两列， 第一列为时间， 第二列为对应时间的产品贮 存可靠度或各种贮存寿命特征参数， 按时间先后顺序从小到大排列。 在一个实施例中， 在验 证所述输入数据的有效性之前还包括将所述输入数据分为两组， 根据输入数据行数抽取至 少两行数据作为测试数据， 其余行数据为建模数据。 各组数据的行号随机抽取。 0083 S300， 验证所述输入数据的。

37、有效性， 所述输入数据的有效性通过判断在规定时间 内是否有退化趋势进行验证。 本步骤中， 检测输入数据是否具有退化性或退化趋势的检测 方法是通过相应的算法模型初步预测未来5倍最大贮存寿命时的特征参数值。 若输入数据 的特征参数未超过初步预测未来5倍最大贮存寿命时的特征参数值则认为所述输入数据不 具备退化性， 将该输入数据从输入数据中删除。 若该输入数据的所有特征参数都不具有退 化性， 则可认为该电子整机能满足当前的贮存寿命指标要求且具有较大余量。 0084 S400， 若所述输入数据具有退化趋势， 则根据具有退化趋势的所述输入数据确定 退化与误差逆传播算法模型， 并选取误差最小的模型作为贮存寿。

38、命预测模型。 本步骤中， 通 过确定所述退化与误差逆传播算法模型， 来预测贮存寿命。 所述退化与误差逆传播算法模 型(Combination of Convention Degradation Model and Back Propagation Neural Networks Model， 简称C-BP)， 是将传统退化模型和BP神经网络相结合的寿命预测模型。 所 述退化与误差逆传播算法模型综合了常用的5种确定型数据退化趋势预测模型和预测随机 型数据趋势的BP神经网络算法， 能有效预测各种性能数据变化趋势。 BP是一种按误差逆传 播算法训练的多层前馈网络。 BP网络能学习和存贮大量的输入-输。

39、出模式映射关系， 而无需 事前揭示描述这种映射关系的数学方程。 BP网络的学习规则是使用最速下降法， 通过反向 传播来不断调整网络的权值和阈值， 使网络的误差平方和最小。 在获得所述C-BP模型之后 需要对所述退化与误差逆传播算法模型进行优化， 并选取误差最小的模型作为贮存寿命预 测模型。 0085 S500， 将所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度输入至 所述贮存寿命预测模型， 并结合上述确定的所述电子整机贮存寿命的评价模型， 得出所述 电子整机的贮存寿命。 本步骤中， 当将时间和所述电子整机贮存可靠度输入至所述贮存寿 命预测模型， 可以结合电子整机贮存寿命的第一评价模型。

40、得出所述电子整机的贮存寿命。 当将时间和所述电子整机贮存期间的特征参数输入至所述贮存寿命预测模型， 可以结合电 子整机贮存寿命的第二评价模型得出所述电子整机的贮存寿命。 0086 本实施例中， 提供了一种电子整机贮存寿命评价方法， 通过建立所述电子整机贮 存寿命的评价模型， 明确了贮存寿命特征参数的确定方法。 本实施例中， 建立了贮存寿命特 征参数与贮存寿命和可靠度的关系模型， 为有效评价产品贮存寿命奠定了重要基础。 本申 请通过验证所述输入数据的有效性， 提出了并非所有性能数据超差均代表产品贮存寿命到 寿。 说明书 6/12 页 10 CN 111625990 A 10 0087 另外本申请。

41、提供的所述电子整机贮存寿命评价方法， 还考虑到电子整机产品复杂 贮存环境的综合影响， 避免了因加速因子的微小差异即会带来很大的贮存寿命评估误差。 本申请的所述电子整机贮存寿命评价方法， 还提供了特征参数与贮存寿命间的关系模型， 同时考虑到可修复产品的寿命特性， 并且可实现贮存寿命的持续评价。 0088 在一个实施例中， 当不能获取电子整机贮存期间的特征参数时， 所述电子整机贮 存寿命的评价模型， 满足以下公式： 0089 LCmin(T(R(t)R0),T(C(t)C0) (1) 0090 其中， LC代表所述电子整机贮存寿命； T代表所述电子整机的贮存时间t的函数， R (t)是所述电子整机。

42、贮存到时间t的可靠度， R0是所述电子整机的贮存可靠度最低可接受 值； C(t)是所述电子整机贮存到时间t为所述电子整机出现故障时的维修费用， C0是所述电 子整机允许的最高维修费用。 0091 本实施例中， R0是所述电子整机的贮存可靠度最低可接受值可以是根据实际的电 子产品给出的预设值。 故障时的维修费用以及最高维修费用也是根据实际的电子产品给出 的预设阈值或者预设范围。 本实施例中， 在得知某一个时间下所述电子整机贮存的可靠度， 即可计算得出所述电子整机贮存寿命LC。 0092 在一个实施例中， 当所述输入数据包括： 时间和所述电子整机贮存可靠度时， 将所 述电子整机的贮存可靠度最低可接。

43、受值作为所述贮存寿命预测模型的输入值， 根据上述公 式(1)得出所述电子整机贮存寿命LC。 0093 本实施例中， 所述贮存寿命预测模型为从所述退化与误差逆传播算法模型中选取 的误差最小的模型。 0094 在一个实施例中， 当能获取电子整机贮存期间的特征参数时， 所述电子整机贮存 寿命的评价模型， 满足以下公式： 0095 LCT(R(mint(Mi0)R0) (2) 0096 其中， LC代表所述电子整机贮存寿命； T代表产品的贮存时间t的函数， t(Mi0)代表 产品的第i个贮存寿命特征参数Mi达到其失效阈值Mi0的时间； R0是产品的贮存可靠度最低 可接受值。 0097 本实施例中， 产。

44、品寿命特征参数超过规定域值时则认为产品失效。 当能获取产品 贮存期间特征参数时， 可将公式(1)转换为以上公式(2)中的模型， 对产品的贮存寿命进行 评价。 电子整机贮存期间的特征参数一般包括首翻期和贮存可靠度。 通常只有当产品出现 不可维修或维修经济性差的故障， 或者贮存可靠度下降到规定的水平时才认为产品到寿。 若所述电子整机贮存寿命的特征参数超过规定的特征参数阈值时， 则认为所述电子整机失 效。 0098 在一个实施例中， 所述电子整机贮存寿命的特征参数的确定步骤包括： 0099 S110， 对所述电子整机进行故障模式及影响分析(FMEA)和危害性分析(CA)。 本实 施例中根据电子产品的。

45、工作原理和历史失效数据， 对所述电子整机进行故障模式及影响分 析(FMEA)和危害性分析(CA)。 Failure Mode,Effects and Criticality Analysis,FMECA 是针对电子产品所有可能的故障， 并根据对故障模式的分析， 确定每种故障模式对产品工 作的影响， 找出单点故障， 并按故障模式的严重度及其发生概率确定其危害性。 所谓单点故 障指的是引起产品故障的， 且没有冗余或替代的工作程序作为补救的局部故障。 FMECA包括 说明书 7/12 页 11 CN 111625990 A 11 故障模式及影响分析(FMEA)和危害性分析(CA)。 0100 S12。

46、0， 确定所述电子整机的严酷度等级， 所述严酷度等级分为 级、 级、 级和 级。 本步骤中在选择特征参数的时候从所述严酷度等级为级和级的故障模式中选取相 关的关键性能参数。 0101 S130， 将所述电子整机的严酷度等级为级和级的故障模式相关的关键特征参 数作为所述电子整机贮存寿命的特征参数。 优选地， 所述电子整机贮存寿命的特征参数包 括首翻期和贮存可靠度。 0102 本实施例中， 给出一种所述电子整机贮存寿命的特征参数的确定方法。 所述电子 整机贮存寿命的特征参数的确定方法可以更好的实现所述电子整机贮存寿命的特征参数 的选择， 有利于所述电子整机贮存寿命评价方法的实现。 0103 在一个。

47、实施例中， 所述退化与误差逆传播算法模型， 包括： 0104 S410， 根据以下公式(3)-(7)拟合得出模型参数a和模型参数b， 其中公式(3)-(7) 分别为五种确定型数据退化趋势预测模型： 0105 pexa*exp(bx) (3) 0106 p1a*x+b (4) 0107 pma*xb (5) 0108 plna*log(bx) (6) 0109 0110 其中， x代表时间， pex、 p1、 pm、 pln和pd分别代表五种确定型数据退化趋势预测模型 中所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数所对应的时间参数。 0111 S420， 结合上述公式(3)-(7)中。

48、得出的所述模型参数a和所述模型参数b， 建立以下 的公式(8)。 其中， 公式(8)为预测随机型数据趋势的误差逆传播神经网络模型。 所述误差逆 传播神经网络模型的输入数据为所述电子整机的贮存可靠度或所述电子整机贮存寿命的 特征参数， 所述误差逆传播神经网络模型的输出数据pbp为时间参数。 0112 pbpfeedforwardnet(a,b),trainbr)(1a10， 1b10) (8) 0113 其中， 公式(8)中feedforwardnet为所述误差逆传播神经网络模型的创建函数， (a,b)代表从具有退化趋势的所述输入数据中选取的误差最小的(a,b)值作为所述误差逆 传播神经网络模型。

49、的模型参数； trainbr代表选用贝叶斯算法作为训练函数。 0114 一般的BP神经网络模型拓扑结构包括输入层(input layer)、 隐层(hide layer) 和输出层(output layer)。 本实施例中， 所述误差逆传播神经网络模型的创建函数包括三 个变量， 其中参数a为隐含层层数， 参数b为隐含层节点数， 分别在a取1-10的整数时建立反 向传播神经网络， 从具有退化趋势的所述输入数据中选取误差最小的(a,b)值作为模型参 数； trainbr代表选用贝叶斯算法作为训练函数。 0115 S430， 根据所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型中 输出的时。

50、间参数(pex、 p1、 pm、 pln、 pd和pbp， 这6种时间参数)， 预测所述电子整机的贮存寿命。 0116 本实施例中， 确定所述确定型数据退化趋势预测模型和所述误差逆传播神经网络 模型可以实现所述电子整机贮存寿命的准确评价。 所述确定型数据退化趋势预测模型和所 述误差逆传播神经网络模型可以结合起来形成所述贮存寿命预测模型实现高精度贮存寿 说明书 8/12 页 12 CN 111625990 A 12 命预测。 0117 在一个实施例中， 所述根据所述确定型数据退化趋势预测模型和所述误差逆传播 神经网络模型中输出的时间参数(pex、 p1、 pm、 pln、 pd和pbp， 这6种。